0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@FukuharaYohei(Fukuhara)inMicrosoft

AI Search: Document Intelligenceでマークダウン化と画像テキスト化(REST API)

0
Last updated at Posted at 2025-10-26

Azure AI SearchでAzure Document Intelligenceを使ってファイルをマークダウンフォーマット化した後に、画像切り出し、言語化をしてインデックス化しました。

以下がサポートされている要素です。表はHTMLタグで出てくるし、箇条書きのマークダウン化などはされないので注意。また、PDFの見出しがそのままHeadingとして使われるわけでないようなので注意。

完成時のパイプライン

デバッガセッション使うとこんなパイプラインに可視化できます。

image.png

前提

REST Client 0.25.1 をVS Codeから使って実行しています。

REST Client 設定で Decode Escaped Unicode Characters を ON にするとHTTP Response Bodyの日本語がデコードされます。

また、以下の記事の1～5までのStepも前提作業です。

Steps

1. インデックス作成

試行錯誤目的で各ステップに削除も末尾に乗せています。

1.0. 固定値定義

固定値を定義しておきます。

## Azure AI Searchのエンドポイント 
@endpoint = https://<ai searchresource name>.search.windows.net
## インデックス名
@index_name=test-index-2
## スキルセット名
@skillset_name=test-skillset-2
## データソース名
@datasource_name=test-datasource-2
## インデクサー名
@indexer_name=test-indexer-2
## Azure AI SearchのAPI Key
@admin_key=<ai search key>
## Azure AI SearchのAPI Version
@api_version=2025-09-01
## AOAIのリソース名
@aoai_resourceUri=https://<AOAI resource name>.openai.azure.com
## AOAIのAPI Key
@aoai_apiKey=<key>
## Embeddingモデルのデプロイメント名
@aoai_embedding_deploymentId=text-embedding-3-small
## Embeddingモデルのモデル名
@aoai_embedding_modelName=text-embedding-3-small
## Embeddingモデルの次元数
@aoai_embedding_dimension=1536
## Blob Storageのコンテナ名
@blob_container_name=rag-doc-test
## Blob Storageの接続文字列
@blob_connectionString=<connection string>
# Chat Completion の情報(画像のテキスト化)。デプロイ名も変更必要。
@chatCompletionResourceUri = https://<aoai resource name>.openai.azure.com/openai/deployments/<deploy>/chat/completions?api-version=2025-01-01-preview
# Chat Completion のAPI Key
@chatCompletionKey = <key>
## Blob Storageのコンテナ名(画像格納)
@imageProjectionContainer=images
## AI ServiceのAPI Key
@ai_service_key=<key>
## AI Serviceのendポイント
@ai_service_endpoint=https://<resource name>/cognitiveservices.azure.com

Tokenで認証する場合は、変数@aad_tokenを上記と一緒に定義し、ターミナルで別途以下のコマンドでTokenを取得し変数に値を設定しておきます。

az account get-access-token --resource https://search.azure.com --query accessToken -o tsv

VS Code REST Client では $aadV2Token を使うと AAD トークンを自動取得できるらしいですが、私の環境ではVS Code 側の Microsoft 認証プロバイダが別テナントのアカウントを掴み、AADSTS1001010失敗。

後述のHTTP Requestの記述でapi-key のエントリを消して、Authorization: Bearer でTokenを追加して認証変更

後述のskillset登録のToken認証版
PUT {{search_endpoint}}/skillsets/{{skillset_name}}?api-version={{skillset_api_version}}
Authorization: Bearer {{aad_token}}
Content-Type: application/json
### api-key: {{admin_key}}

1.1. データ ソースを作成

ADLS Gen2を使っています。

### データソース更新
PUT {{endpoint}}/datasources('{{datasource_name}}')?api-version={{api_version}}
Content-Type: application/json
api-key: {{admin_key}}

{
  "name": "{{datasource_name}}",
  "description": null,
  "type": "adlsgen2",
  "subtype": null,
  "credentials": {
    "connectionString": "{{blob_connectionString}};"
  },
  "container": {
    "name": "{{blob_container_name}}",
    "query": null
  },
  "dataChangeDetectionPolicy": null,
  "dataDeletionDetectionPolicy": null,
  "encryptionKey": null
}

### データソース削除
DELETE {{endpoint}}/datasources/{{datasource_name}}?api-version={{api_version}}
Content-Type: application/json
api-key: {{admin_key}}

Managed ID認証をする場合は、credentialsを以下に置換し、IDにStorage Blob Data Contributorのロールを割当。
"credentials": { "connectionString": "ResourceId={{storage_resource_id}};" },

{{storage_resource_id}}の値は以下の値
/subscriptions/[subscription id]/resourceGroups/[resource group name ]/providers/Microsoft.Storage/storageAccounts/[storage account name]

1.2. インデックスを作成

h3までを入れる項目を作っています。日本語項目のAnalyzerはja.luceneにしています。
ja.microsoftでもいいかと思います。

### インデックス作成
PUT {{endpoint}}/indexes('{{index_name}}')?api-version={{api_version}}
Content-Type: application/json
api-key: {{admin_key}}

{
  "name": "{{index_name}}",
  "fields": [
    {
      "name": "chunk_id",
      "type": "Edm.String",
      "key": true,
      "retrievable": true,
      "stored": true,
      "searchable": true,
      "filterable": false,
      "sortable": true,
      "facetable": false,
      "analyzer": "keyword",
      "synonymMaps": []
    },
    {
      "name": "parent_id",
      "type": "Edm.String",
      "key": false,
      "retrievable": true,
      "stored": true,
      "searchable": false,
      "filterable": true,
      "sortable": false,
      "facetable": false,
      "synonymMaps": []
    },
    {
      "name": "content_text",
      "type": "Edm.String",
      "key": false,
      "retrievable": true,
      "stored": true,
      "searchable": true,
      "analyzer": "ja.lucene",
      "filterable": false,
      "sortable": false,
      "facetable": false,
      "synonymMaps": []
    },
    {
      "name": "title",
      "type": "Edm.String",
      "key": false,
      "retrievable": true,
      "stored": true,
      "searchable": true,
      "analyzer": "ja.lucene",
      "filterable": true,
      "sortable": true,
      "facetable": false,
      "synonymMaps": []
    },
    {
      "name": "content_embedding",
      "type": "Collection(Edm.Single)",
      "key": false,
      "retrievable": false,
      "stored": false,
      "searchable": true,
      "filterable": false,
      "sortable": false,
      "facetable": false,
      "synonymMaps": [],
      "dimensions": {{aoai_embedding_dimension}},
      "vectorSearchProfile": "azureOpenAi-text-profile"
    },
        {
      "name": "header_1",
      "type": "Edm.String",
      "searchable": true,
      "analyzer": "ja.lucene",
      "filterable": false,
      "retrievable": true,
      "stored": true,
      "sortable": false,
      "facetable": false,
      "key": false
    },
    {
      "name": "header_2",
      "type": "Edm.String",
      "searchable": true,
      "analyzer": "ja.lucene",
      "filterable": false,
      "retrievable": true,
      "stored": true,
      "sortable": false,
      "facetable": false,
      "key": false
    },
    {
      "name": "header_3",
      "type": "Edm.String",
      "searchable": true,
      "analyzer": "ja.lucene",
      "filterable": false,
      "retrievable": true,
      "stored": true,
      "sortable": false,
      "facetable": false,
      "key": false
    },
    {
        "name": "image_document_id",
        "type": "Edm.String",
        "filterable": true,
        "retrievable": true
    },
    {
        "name": "content_path",
        "type": "Edm.String",
        "searchable": false,
        "retrievable": true
    },
    {
        "name": "locationMetadata",
        "type": "Edm.ComplexType",
        "fields": [
            {
            "name": "pageNumber",
            "type": "Edm.Int32",
            "searchable": false,
            "retrievable": true
            },
            {
            "name": "boundingPolygons",
            "type": "Edm.String",
            "searchable": false,
            "retrievable": true,
            "filterable": false,
            "sortable": false,
            "facetable": false
            }
        ]
    }  
  ],
  "scoringProfiles": [],
  "suggesters": [],
  "analyzers": [],
  "tokenizers": [],
  "tokenFilters": [],
  "charFilters": [],
  "normalizers": [],
  "similarity": {
    "@odata.type": "#Microsoft.Azure.Search.BM25Similarity"
  },
  "semantic": {
    "defaultConfiguration": "semantic-configuration",
    "configurations": [
      {
        "name": "semantic-configuration",
        "prioritizedFields": {
          "titleField": {
            "fieldName": "title"
          },
          "prioritizedContentFields": [
            {
              "fieldName": "content_text"
            }
          ],
          "prioritizedKeywordsFields": []
        }
      }
    ]
  },
  "vectorSearch": {
    "algorithms": [
      {
        "name": "vector-algorithm",
        "kind": "hnsw",
        "hnswParameters": {
          "m": 4,
          "efConstruction": 400,
          "efSearch": 500,
          "metric": "cosine"
        }
      }
    ],
    "profiles": [
      {
        "name": "azureOpenAi-text-profile",
        "algorithm": "vector-algorithm",
        "vectorizer": "azureOpenAi-text-vectorizer"
      }
    ],
    "vectorizers": [
      {
        "name": "azureOpenAi-text-vectorizer",
        "kind": "azureOpenAI",
        "azureOpenAIParameters": {
          "resourceUri": "{{aoai_resourceUri}}",
          "deploymentId": "{{aoai_embedding_deploymentId}}",
          "apiKey": "{{aoai_apiKey}}",
          "modelName": "{{aoai_embedding_modelName}}"
        }
      }
    ],
    "compressions": []
  }
}

Vector ProfileでFoundryへManaged ID認証をする場合は、apiKeyのエントリを削除、authIdentityの値をnullをに設定し、IDにCognitive Services OpenAI Userのロールを割当。

        "azureOpenAIParameters": {
          "resourceUri": "{{foundry_endpoint}}",
          "deploymentId": "{{embedding_deployment}}",
          "modelName": "{{embedding_deployment}}",
          "authIdentity": null
        }

image.png

1.3. スキルセットを作成

api-versionはperviewでないやつだとエラーになったので、previewにしています。
一回でマークダウン化と画像切り抜きができなかったので、2回に分けています。画像切り抜きのインプットにマークダウン化したテキストはないので、h1からh3までの見出しは、画像側には入れていません。マークダウン化の出力のはlocationMetadataがない点に注意。
画像化のPromptは日本語にしています。
Chunk Sizeとオーバーラップを日本語に合わせて、英語より少な目の数値にしました。
「GenAI プロンプト スキル」のパラメータは以下を参考にしました。

### Skillset作成
PUT {{endpoint}}/skillsets/{{skillset_name}}?api-version=2025-08-01-preview
content-type: application/json
api-key: {{admin_key}}

{
  "name": "{{skillset_name}}",
  "description": "Skillset to chunk documents and generate embeddings",
  "skills": [
    {
      "@odata.type": "#Microsoft.Skills.Util.DocumentIntelligenceLayoutSkill",
      "name": "layout_markdown_h3",
      "description": "Extract Markdown up to h3 (text only)",
      "context": "/document",
      "outputMode": "oneToMany",
      "outputFormat": "markdown",
      "markdownHeaderDepth": "h3",
      "inputs": [
        { "name": "file_data", "source": "/document/file_data" }
      ],
      "outputs": [
        { "name": "markdown_document", "targetName": "markdownDocument" }
      ]
    },
    {
      "@odata.type": "#Microsoft.Skills.Util.DocumentIntelligenceLayoutSkill",
      "name": "layout_images_with_location",
      "description": "Extract normalized images (includes figures/charts) and location metadata",
      "context": "/document",
      "outputMode": "oneToMany",
      "outputFormat": "text",
      "extractionOptions": [ "images", "locationMetadata" ],
      "inputs": [
        { "name": "file_data", "source": "/document/file_data" }
      ],
      "outputs": [
        { "name": "normalized_images", "targetName": "normalized_images" }
      ]
    },
    {
      "@odata.type": "#Microsoft.Skills.Text.SplitSkill",
      "name": "text_split_skill",
      "description": "Split skill to chunk documents",
      "context": "/document/markdownDocument/*",
      "inputs": [
        {
          "name": "text",
          "source": "/document/markdownDocument/*/content",
          "inputs": []
        }
      ],
      "outputs": [
        {
          "name": "textItems",
          "targetName": "pages"
        }
      ],
      "defaultLanguageCode": "ja",
      "textSplitMode": "pages",
      "maximumPageLength": 1250,
      "pageOverlapLength": 250
    },
    {
      "@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
      "name": "text_embedding_skill",
      "context": "/document/markdownDocument/*/pages/*",
      "inputs": [
        {
          "name": "text",
          "source": "/document/markdownDocument/*/pages/*",
          "inputs": []
        }
      ],
      "outputs": [
        {
          "name": "embedding",
          "targetName": "text_vector"
        }
      ],
      "resourceUri": "{{aoai_resourceUri}}",
      "deploymentId": "{{aoai_embedding_deploymentId}}",
      "apiKey": "{{aoai_apiKey}}",
      "modelName": "{{aoai_embedding_modelName}}",
      "dimensions": {{aoai_embedding_dimension}}
    },
    {
    "@odata.type": "#Microsoft.Skills.Custom.ChatCompletionSkill",
    "name": "genAI_prompt_skill",
    "description": "GenAI Prompt skill for image verbalization",
    "uri": "{{chatCompletionResourceUri}}",
    "timeout": "PT3M50S",
    "apiKey": "{{chatCompletionKey}}",
    "extraParameters": {
      "reasoning_effort": "low"
    },
    "extraParametersBehavior": "pass-through",
    "context": "/document/normalized_images/*",
    "inputs": [
        {
        "name": "systemMessage",
        "source": "='あなたはPDF文書から抽出された画像を分析し、検索可能な日本語テキストに変換するアシスタントです。\n抽出されたテキストはRAG（検索拡張生成）のベクトルストアに格納され、ユーザーの質問に対する検索・回答に使用されます。\n\n## 基本ルール\n- 画像内のすべてのテキストを正確に読み取り、日本語で出力する。\n- 原文が日本語の場合はそのまま正確に書き写す。\n- 日本語以外の言語の場合は日本語に翻訳する。専門用語や固有名詞は原語を括弧で併記する。\n- 判読できない箇所は [判読不能] と記す。\n\n## コンテンツ種別ごとの処理\n### テキスト・文章\n- 見出し・本文の階層構造を維持して出力する。\n- 箇条書きや番号付きリストはそのまま再現する。\n\n### 表・テーブル\n- Markdown形式の表として出力する。\n- 列見出しと行の対応関係を正確に保つ。\n\n### グラフ・チャート\n- グラフの種類（棒グラフ、折れ線グラフ、円グラフ等）を明記する。\n- 軸ラベル、凡例、主要なデータポイントや値を読み取って記述する。\n- 全体の傾向や特徴を簡潔に要約する。\n\n### 図・ダイアグラム\n- 図の種類（フローチャート、構成図、概念図等）を明記する。\n- 各要素とそれらの関係性を構造的に記述する。\n\n### 写真・イラスト\n- 写っている内容を客観的かつ具体的に説明する。\n- テキストが含まれている場合はそれも抽出する。\n\n## 出力形式\n- 装飾的なヘッダーやフッター（区切り線、括弧付きラベル等）は付けず、内容のみを出力する。\n- 画像の文脈が分かるように、必要に応じて簡潔な説明を冒頭に付ける（例：「○○に関するフローチャート」）。\n\n## 禁止事項\n- 画像に存在しない情報の追加や推測による補完。\n- 主観的な評価や解釈の付与。'"
        },
        {
        "name": "userMessage",
        "source": "='この画像はPDF文書から抽出されたページの一部です。画像内のすべての情報を日本語テキストとして抽出してください。'"
        },
        {
        "name": "image",
        "source": "/document/normalized_images/*/data"
        }
        ],
        "outputs": [
            {
            "name": "response",
            "targetName": "verbalizedImage"
            }
        ]
    },
    {
      "@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
      "name": "verbalized-image-embedding-skill",
      "description": "Embedding skill for verbalized images",
      "context": "/document/normalized_images/*",
      "inputs": [
          {
          "name": "text",
          "source": "/document/normalized_images/*/verbalizedImage",
          "inputs": []
          }
      ],
      "outputs": [
          {
          "name": "embedding",
          "targetName": "verbalizedImage_vector"
          }
      ],
      "resourceUri": "{{aoai_resourceUri}}",
      "deploymentId": "{{aoai_embedding_deploymentId}}",
      "apiKey": "{{aoai_apiKey}}",
      "dimensions": {{aoai_embedding_dimension}},
      "modelName": "{{aoai_embedding_deploymentId}}"
    },
    {
      "@odata.type": "#Microsoft.Skills.Util.ShaperSkill",
      "name": "shaper-skill",
      "description": "Shaper skill to reshape the data to fit the index schema",
      "context": "/document/normalized_images/*",
      "inputs": [
        {
          "name": "imagePath",
          "source": "='{{imageProjectionContainer}}/'+$(/document/normalized_images/*/imagePath)",
          "inputs": []
        }
      ],
      "outputs": [
        {
          "name": "output",
          "targetName": "new_normalized_images"
        }
      ]
    }
  ],
  "cognitiveServices": {
    "@odata.type": "#Microsoft.Azure.Search.AIServicesByKey",
    "key": "{{ai_service_key}}",
    "subdomainUrl": "{{ai_service_endpoint}}"
  },
  "indexProjections": {
    "selectors": [
      {
        "targetIndexName": "{{index_name}}",
        "parentKeyFieldName": "parent_id",
        "sourceContext": "/document/markdownDocument/*/pages/*",
        "mappings": [
          {
            "name": "content_embedding",
            "source": "/document/markdownDocument/*/pages/*/text_vector"
          },
          {
            "name": "content_text",
            "source": "/document/markdownDocument/*/pages/*"
          },
          {
            "name": "title",
            "source": "/document/title"
          },
          {
            "name": "header_1",
            "source": "/document/markdownDocument/*/sections/h1"
          },
          {
            "name": "header_2",
            "source": "/document/markdownDocument/*/sections/h2"
          },
          {
            "name": "header_3",
            "source": "/document/markdownDocument/*/sections/h3"
          }
        ]
      },
        {
          "targetIndexName": "{{index_name}}",
          "parentKeyFieldName": "image_document_id",
          "sourceContext": "/document/normalized_images/*",
          "mappings": [    
            {
            "name": "content_text",
            "source": "/document/normalized_images/*/verbalizedImage"
            },  
            {
            "name": "content_embedding",
            "source": "/document/normalized_images/*/verbalizedImage_vector"
            },                                           
            {
              "name": "content_path",
              "source": "/document/normalized_images/*/new_normalized_images/imagePath"
            },                    
            {
              "name": "title",
              "source": "/document/title"
            },
            {
              "name": "locationMetadata",
              "source": "/document/normalized_images/*/locationMetadata"
            }            
          ]
        }    ],
    "parameters": {
      "projectionMode": "skipIndexingParentDocuments"
    }
  }
}

### スキルセット削除
DELETE {{endpoint}}/skillsets/{{skillset_name}}?api-version={{api_version}}
content-type: application/json
api-key: {{admin_key}}

AI 使って項目のフローをマーメイド記法で書きました。少し不足はありますが、正しいです。
ただ、Qiitaで見ると小さいので以下のツールなどを使ってみてください。

AzureOpenAIEmbeddingSkill, ChatCompletionSkillでFoundryへManaged ID認証をする場合は、apiKeyのエントリを削除、authIdentityの値をnullをに設定し、IDにCognitive Services OpenAI Userのロールを割当。ChatCompletionSkillはさらに、authResourceIdも追加。

    {
      "@odata.type": "#Microsoft.Skills.Custom.ChatCompletionSkill",
      "authResourceId": "{{foundry_resource_id}}",
      "authIdentity": null,
      省略

変数foundry_resource_id の値は/subscriptions/[subsucription id]/resourceGroups/[resource group name]/providers/Microsoft.CognitiveServices/accounts/[foundry name]

Document Intelligence へManaged ID 認証する場合は、@odata.typeを変更し、keyを削除

  "cognitiveServices": {
    "@odata.type": "#Microsoft.Azure.Search.AIServicesByIdentity",
    "subdomainUrl": "{{ai_service_endpoint}}"
  },

1.4. インデクサー登録

特に変哲なしです。

### インデクサー作成
PUT {{endpoint}}/indexers/{{indexer_name}}?api-version={{api_version}}
Content-Type: application/json
api-key: {{admin_key}}

{
  "name": "{{indexer_name}}",
  "description": null,
  "dataSourceName": "{{datasource_name}}",
  "skillsetName": "{{skillset_name}}",
  "targetIndexName": "{{index_name}}",
  "disabled": null,
  "schedule": null,
  "parameters": {
    "batchSize": null,
    "maxFailedItems": null,
    "maxFailedItemsPerBatch": null,
    "configuration": {
      "dataToExtract": "contentAndMetadata",
      "parsingMode": "default",
      "allowSkillsetToReadFileData": true
    }
  },
  "fieldMappings": [
    {
      "sourceFieldName": "metadata_storage_name",
      "targetFieldName": "title",
      "mappingFunction": null
    }
  ],
  "outputFieldMappings": [],
  "encryptionKey": null
}

### インデクサー削除
DELETE {{endpoint}}/indexers/{{indexer_name}}?api-version={{api_version}}
Content-Type: application/json
api-key: {{admin_key}}

2. 検索

2.1. フル検索

locationMetadataも出力したフル検索

### Query the index
POST {{endpoint}}/indexes/{{index_name}}/docs/search?api-version={{api_version}}
  Content-Type: application/json
  api-key: {{admin_key}}
  
  {
    "search": "*",
    "count": true,
    "select": "chunk_id, content_text, title, header_1, header_2, header_3, content_path, image_document_id, locationMetadata"
  }

画像の検索結果です。テキスト側も似たようにboundingPolygonsが出ます。

検索結果(抜粋)
    {
      "@search.score": 1.0,
      "chunk_id": "c7b0f04fdd0b_aHR0cHM6Ly9zdG9yYWdlcmFnanBlLmJsb2IuY29yZS53aW5kb3dzLm5ldC9yYWctZG9jLXRlc3QvMDEucGRm0_markdownDocument_3_pages_0",
      "content_text": "■ 少子高齢化や自然災害の激甚化、自動車保険市場の縮小等の中長期的な事業環境の変化 など",
      "title": "01.pdf",
      "header_1": "保険モニタリングレポート【概要】",
      "header_2": "環境変化と諸課題",
      "header_3": "環境変化",
      "image_document_id": null,
      "content_path": null,
      "locationMetadata": null
    },
    {
      "@search.score": 1.0,
      "chunk_id": "6f495a8c939e_aHR0cHM6Ly9zdG9yYWdlcmFnanBlLmJsb2IuY29yZS53aW5kb3dzLm5ldC9yYWctZG9jLXRlc3QvMDEucGRm0_normalized_images_0",
      "content_text": "The image features a logo consisting of stylized letters that represent the acronym \"S.\" The design includes overlapping shapes that suggest movement or flow, indicating dynamism and innovation. The composition emphasizes a streamlined form, suggesting efficiency.",
      "title": "01.pdf",
      "header_1": null,
      "header_2": null,
      "header_3": null,
      "image_document_id": "aHR0cHM6Ly9zdG9yYWdlcmFnanBlLmJsb2IuY29yZS53aW5kb3dzLm5ldC9yYWctZG9jLXRlc3QvMDEucGRm0",
      "content_path": "images/aHR0cHM6Ly9zdG9yYWdlcmFnanBlLmJsb2IuY29yZS53aW5kb3dzLm5ldC9yYWctZG9jLXRlc3QvMDEucGRm0/normalized_images_0.jpg",
      "locationMetadata": {
        "pageNumber": 2,
        "boundingPolygons": "[[{\"x\":0.0474,\"y\":0.0402},{\"x\":0.5967,\"y\":0.0403},{\"x\":0.5968,\"y\":0.5351},{\"x\":0.0475,\"y\":0.535}]]"
      }
    },

2.2. 条件付き検索

サンプルとして残しておきます。locationMetadata/pageNumberを条件に入れたかったですが、画像にしか有効でないのと、そもそもfilterbleに設定しなかったので中止。

### Query the index with filter
POST {{endpoint}}/indexes/{{index_name}}/docs/search?api-version={{api_version}}
  Content-Type: application/json
  api-key: {{admin_key}}
  
  {
    "search": "*",
    "count": true,
    "filter": "title eq '01point.pdf'",
    "orderby": "title asc, locationMetadata/pageNumber asc",
    "select": "chunk_id, content_text, title, content_path, header_1, header_2, header_3, image_document_id, locationMetadata/pageNumber"
  }

更新情報

  • 2026/3/6: Indexでベクトル項目を保存・取得しないように変更(Disk容量節約のため)
  • 2026/3/6: SkillSet でChat部分のSkillをタイムアウト230秒に増加(よく落ちるため)
  • 2026/3/6: SkillSet でChat部分のSkillでReasoning Effort追加(gpt-5.2のデフォルトのMediumだと遅いため)
0
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?